爬取音乐资源

作者: sunxiaohang | 来源:发表于2018-08-03 17:09 被阅读280次

爬取音乐资源
利用Python爬取音乐资源，小白福音
Scrapy爬虫-爬取豆瓣乐评保存到Mongodb
Scrapy爬取网易云音乐和评论（二、Scrapy框架每个模块的
Scrapy爬取网易云音乐和评论（一、思路分析）
Scrapy爬取网易云音乐和评论（四、关于API）
Scrapy爬取网易云音乐和评论（三、爬取歌手）
Scrapy爬取网易云音乐和评论（五、评论）
One Project: pratice for machine
听说你想学习爬虫？送你一本葵花宝典！不用自宫！高效的学习路径

一直苦于找不到好的音乐资源，网传python爬虫异常强大，刚好有点python基础就想着做一个脚本爬一点mp3资源，废话不多说，先看看效果吧。

/home/roland/PycharmProjects/Main.py
please input the artist name: billie eilish

Process finished with exit code 0

运行之后需要输入爬取的歌手名，这里我们填写一个喜欢的歌手名然后回车即可（支持中文歌手），日志并没有输出内容，而是直接将mp3文件保存到save_path路径下，如下图所示：

file.png

这里用的python版本是3.6 理论上3.X版本都可以直接运行，不用额外装request库。
代码分析

下面函数的作用是拼接请求报头，请求方式为POST
获取方式：打开浏览器控制台---->NetWork选项--->发送一次请求--->查看POST
以chrome为例
按下F12打开控制台
依次依照下图找到Form Data即为所需，当然，并不是所有的请求方式都会用到data报头，我们这么做的目的是模仿浏览器访问网页的过程。
image.png
而后把需要添加到报头的字段依次添加进来，这里pages和content是动态变量（原网址为ajax异步加载）content即为查找的歌手

def resemble_data(content, index):
    data = {}
    data['types'] = 'search'
    data['count'] = '30'
    data['source'] = 'netease'
    data['pages'] = index
    data['name'] = content
    data = urllib.parse.urlencode(data).encode('utf-8')
    return data

此外我们还需要获取到User-Agent对应的代码是：

opener.addheaders =
 [('User-Agent','Mozilla/5.0 (X11; Linux x86_64) 
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36')]

这个东西在那里获取呢？

image.png
我们直接从浏览器的控制台获取就好了，目的将python的request请求伪装成浏览器访问。

    # set proxy agent
    proxy_support = urllib.request.ProxyHandler({'http:': '119.6.144.73:81'})
    opener = urllib.request.build_opener(proxy_support)
    urllib.request.install_opener(opener)
    # set proxy agent

这里我们又设置了一个代理ip，防止服务器的反爬虫机制（一个ip频繁访问会被认为是爬虫而不是访客操作，这里仅仅是实例，我们可以爬取代理ip的地址和端口号来让更多ip同时访问，减小被认定为爬虫的可能）
下面是爬取代理ip的例子（不感兴趣的话可以直接跳过）

import urllib.request
import urllib.parse
import re
url = 'http://31f.cn/'
head = {}
head['User-Agent'] = 
'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36
 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36'
response = urllib.request.urlopen(url)
html_document = response.read().decode('utf-8')
pattern_ip = re.compile(r'<td>(\d+\.\d+\.\d+\.\d+)</td>[\s\S]*?
<td>(\d{2,4})</td>')
ip_list = pattern_ip.findall(html_document)
print(len(ip_list))
for item in ip_list:
    print("ip地址是:%s 端口号是:%s" % (item[0], item[1]))

Screenshot from 2018-08-03 16-57-42.png
这里的response返回的其实是一个音乐文件的链接地址，格式类似于xxxxuuid.mp3我们把默认的uuid.mp3直接命名为歌曲名.mp3，然后以二进制文件格式写入文件。

 data = {}
    data['types'] = 'url'
    data['id'] = id
    data['source'] = 'netease'
    data = urllib.parse.urlencode(data).encode('utf-8')
    response = urllib.request.urlopen(url, data)
    music_url_str = response.read().decode('utf-8')
    music_url = pattern.findall(music_url_str)
    result = urllib.request.urlopen(music_url[0])
    file = open(save_path+name+'.mp3', 'wb')
    file.write(result.read())

至于Request url，可以在这里获取（当然，这只是一个例子，这个url并不是例子所用的url）:

image.png

以下是完整的代码，把音乐文件的保存路径save_path = '/home/roland/Spider/Img/修改成自己的保存路径就可以了

import urllib.request
import urllib.parse
import json
import re


def resemble_data(content, index):
    data = {}
    data['types'] = 'search'
    data['count'] = '30'
    data['source'] = 'netease'
    data['pages'] = index
    data['name'] = content
    data = urllib.parse.urlencode(data).encode('utf-8')
    return data


def request_music(url, content):
    # set proxy agent
    proxy_support = urllib.request.ProxyHandler({'http:': '119.6.144.73:81'})
    opener = urllib.request.build_opener(proxy_support)
    opener.addheaders = [('User-Agent','Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36')]
    urllib.request.install_opener(opener)
    # set proxy agent
    total = []
    pattern = re.compile(r'\(([\s\S]*)\)')
    for i in range(1, 10):
        data = resemble_data(content, str(i))
        response = urllib.request.urlopen(url, data)
        result = response.read().decode('unicode_escape')
        json_result = pattern.findall(result)
        total.append(json_result)
    return total


def save_music_file(id, name):
    save_path = '/home/roland/Spider/Img/'
    pattern = re.compile('http.*?mp3')
    url = 'http://www.gequdaquan.net/gqss/api.php?callback=jQuery111307210973120745481_1533280033798'
    data = {}
    data['types'] = 'url'
    data['id'] = id
    data['source'] = 'netease'
    data = urllib.parse.urlencode(data).encode('utf-8')
    response = urllib.request.urlopen(url, data)
    music_url_str = response.read().decode('utf-8')
    music_url = pattern.findall(music_url_str)
    result = urllib.request.urlopen(music_url[0])
    file = open(save_path+name+'.mp3', 'wb')
    file.write(result.read())
    file.flush()
    file.close()


def main():
    url = 'http://www.gequdaquan.net/gqss/api.php?callback=jQuery11130967955054499249_1533275477385'
    content = input('please input the artist name:')
    result = request_music(url, content)
    for group in result[0]:
        target = json.loads(group)
        for item in target:
            save_music_file(str(item['id']), str(item['name']))


main()